摘要：
Numpy实现K折交叉验证的数据划分 本实例使用Numpy的数组切片语法，实现了K折交叉验证的数据划分 背景：K折交叉验证 为什么需要这个？在机器学习中，因为如下原因，使用K折交叉验证能更好评估模型效果： 样本量不充足，划分了训练集和测试集后，训练数据更少； 训练集和测试集的不同划分，可能会导致不同 阅读全文
摘要：
决策树基本概念： 什么是归纳什么是演绎 混淆矩阵：准确率，差错率 决策树用好了，有规则；用不好，过拟合。 分类算法实战 画混淆矩阵的ROC曲线： 阅读全文
摘要：
阅读全文
摘要：
原理： 其中 n = a+b+c+d 卡方计算（例子）使用 sklearn完成 data.csv中的部分数据 #如何使用卡方检测相关度 from sklearn.feature_selection import SelectKBest,chi2 import pandas as pd file='d 阅读全文
摘要：
既能做分类，又能做回归。分类：基尼值作为节点分类依据。回归：最小方差作为节点的依据。 节点越不纯，基尼值越大，熵值越大 pi表示在信息熵部分中有介绍，如下图中介绍 方差越小越好。 选择最小的那个0.3 代码： #整个c4.5决策树的所有算法： import numpy as np import op 阅读全文
摘要：
最重要的是第一个 改进1：信息增益率代替信息增益来选择属性 改进2：连续属性与分裂点 计算的是以候选点（划分点）划分的划分点的条件信息熵 改进三：缺失值处理 众数；概率值—缺失值将缺失值当作单独分类，进行计算。 改进四：学习过程中的过渡拟合 c4.5代码样例 #整个c4.5决策树的所有算法： imp 阅读全文
摘要：
二者均是常用的二维插值方法，两者的区别是， interp2的插值数据必须是矩形域(X,Y必须分别是单调向量)，即已知数据点（x,y)组成规则的矩阵，或称之为栅格，可使用meshgid生成。 griddata函数的已知数据点（X，Y）不要求规则排列，特别是对试验中随机没有规律采取的数据进行插值具有很好 阅读全文
摘要：
动态环境感知与2D Dtection 基于图片的检测算法（简介） 分类是将物体识别出是什么东西 检测是将物体识别是什么东西且将物体框起来 ROI指的就是框 如何得到物体的位置 如何分类 基于图片的检测算法（两步） 在cnn引入之前检测方式 基于图片的检测算法（单步） 单步 源码地址 阅读全文
摘要：
决策树入门 决策树是分类算法中最重要的算法，重点 决策树算法在电信营业中怎么工作？ 这个工人也是流失的，在外网转移比处虽然没有特征来判断，但是在此节点处流失率有三个分支概率更大 为什么叫决策树？ 因为树的叶子节点是我们最终预判的结果。决策树如何来？ 根据训练样本建立。问题1：为什么费用变换率放第一个 阅读全文
摘要：
Numpy非常重要有用的数组合并操作 背景：在给机器学习准备数据的过程中，经常需要进行不同来源的数据合并的操作。 两类场景： 给已有的数据添加多行，比如增添一些样本数据进去； 给已有的数据添加多列，比如增添一些特征进去； 以下操作均可以实现数组合并： np.concatenate(array_lis 阅读全文